复合ICA-SVM机械状态模式分类

提出了一种新颖的、基于独立分量分析(ICA)的复合神经网络，用于不同机械状态模式的特征提取。利用支持向量机(SVM)进行最终分类。与通常的基于经验风险最小化(ERM)原理的神经网络方法相比，基于结构风险最小化(SRM)原理的支持向量机分类方法具有更好的推广能力。而借助多个独立分量分析网络，隐藏于多通道振动观测信号中的不变特征得到有效提取，从而实现了支持向量机分类器在分类能力和推广性两者间的合理平衡。     

基于独立分量分析的消噪方法在旋转机械特征提取中的应用

为了有效提取信号特征，为后续的故障诊断分析提供足够的信息，针对旋转机械故障诊断的特点，探讨了在旋转机械振动信号采集过程中基于独立分量分析方法的降噪措施的可行性，并在此基础上，研究了基于独立分量分析的消噪方法在旋转机械升降速过程中信号特征提取中的应用。实验结果表明，利用该方法可有效消除振动信号采集过程中混入的噪声。     

一种新的复值独立分量分析的特征融合识别方法

摘要：介绍了复值独立分量分析(Complex ICA)的基本原理和算法,并提出了基于复值独立分量分析的目标识别方法。该方法首先利用快速独立分量分析算法(FICA)对目标训练集图像进行ICA分解,然后分别提取基于独立分量的训练集和测试集目标特征,采用线性判据对训练集目标特征进行分类训练,找到合理的分类阈值,最后对测试集图像进行分类识别。本文的创新点在于把复数值独立分量分析的方法应用于多传感器融合的目标识别。实验结果表明,本文提出的方法是可行的,并能获得较高的目标识别准确率。     

联合应用MUSIC与FastICA算法实现多个时空混叠源信号的波形重建

联合应用多信号分类与快速独立分量分析算法,分离多个时空混叠源信号,并重建其波形。利用多信号分类的方法,基于二阶统计量辨识观测信号的噪声子空间,并搜索与噪声子空间和方向矢量同时正交的多源位置参数,实现源信号波达方向的估计。利用基于固定点迭代的快速独立分量分析方法,通过最小化互信息这一高阶统计量测度来估计传感器阵列的增益模式,进而估计未知的源信号混叠矩阵。实现多个时空混叠源信号的分离与波形的重建。试验结果表明,基于多信号分类与快速独立分量分析联合的新方法,能有效辨识复值时空混叠矩阵,正确分离并重建来自不同方向的混叠源信号,从而为后续的进一步应用(如弱信号检测、故障诊断等)奠定基础。     

SDICA方法在单通道信号故障分类中的研究

提出了一种针对工程单通道信号的子带分解独立分量分析(subband decomposition independent component analysis,简称SDICA)故障分类方法。利用经验模态分解方法(empirical mode decomposition,简称EMD)得到的多个基本模式分量作为子带信号,对子带信号进行独立分量分析(independent component analysis,简称ICA),在ICA方法过程中提取了分离过程特征中产生的残余互信息值,在估计子带信号中计算各自的近似熵值,并把残余互信息和近似熵值作为特征参数,输入广义回归神经网络实现故障分类。SDICA方法在单通道信号故障分类中引入了ICA理论,成功实现了工程单通道轴承信号3种故障高精度的识别,验证了具有良好表征故障能力的残余互信息值和估计子带近似熵能够成为故障分类的重要参数。     

经验模式分解在旋转机械非平稳振动信号表征中的应用分析

由于旋转机械常工作于非平稳、高负荷等工况,易出现故障.测试得到的振动信号中包含丰富的设备运行状态信息,对研究旋转机械的非平稳信号非常重要.旋转机械振动加速度信号通常为多源激励响应,其构成成分多、频率结构复杂,是一种典型的多分量信号.经验模式分解可以实现多分量信号的自适应分解,为旋转机械非平稳多分量振动信号时变特征的揭示...     

多元消减约束独立分量分析及其在振源贡献量计算中的应用

为寻找机械系统的主要振源,提出一种利用多元消减约束独立分量分析(Multi-unit deflation constraint independent component analysis,MDcICA)估计振源贡献量的方法。约束独立分量分析(Constraint independent component analysis,cICA)在经典独立分量分析(Independent component analysis,ICA)算法的对照函数中利用约束的形式引入源信号先验知识,提高独立分量的精度和算法的稳定性,并能够得到独立分量和振源信号的对应关系。在cICA中引入多元消减技术,去除混合信号中每次迭代被提取的独立分量的成分。多元消减过程中混合信号能量的减少量等于被提取独立分量对混合信号的贡献量。将提出的算法引入到壳体激励试验台和圆筒结构试验台中,成功地完成了试验台机械振源的分离和贡献量的计算。     

应用多分辨SVD和ICA的轴承复合故障诊断研究

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于多分辨奇异值分解(SVD)和独立分量分析(ICA)的复合故障诊断方法。首先利用多分辨SVD将复合故障振动信号分解为几个分量实现维数的增加;然后将分解得到的分量组合为混合信号,并利用ICA进行欠定盲分离;最后对分离后的独立分量进行Hilbert包络解调,由此实现对复合故障特征信息的分离和故障识别。通过对滚动轴承内外圈复合故障的试验信号分析表明,该方法可以有效地分离和提取轴承复合故障的特征信息。     

结合小波变换和独立分量分析的脑电特征提取

在多道脑电信号的独立分量分析 ICA (Independent Com ponent Analysis)过程中 ,脑电独立源在数量上的不确定性往往是造成分离结果不理想的主要原因。目前还没有找到解决此问题的有效方法。根据脑电信号自身的特点 ,提出了一种结合小波变换 WT(Wavelet Transform)和独立分量分析的脑电特征提取新方法— WICA。新方法的主要思路是先对每一道脑电数据进行小波分解 ,然后根据需要选择不同尺度的小波子带信号进行脑电独立分量提取。实验结果表明 ,WICA方法在一定程度上能够克服因脑电独立源的不确定性所带来的影响 ,并能获得较好的脑电特征提取效果。     

基于ICA相关系数和VPMCD的滚动轴承故障诊断

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)、独立分量分析(independent component analysis,简称ICA)和相关系数分析方法相结合,提出了基于ICA相关系数和VPMCD的滚动轴承故障诊断方法。首先,对不同工况下的滚动轴承振动信号分别进行独立分量分析,获得各工况信号的独立分量;然后,提取样本与不同工况信号独立分量之间的相关系数,并以相关系数绝对值的和作为该样本的特征值;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明,该方法能够有效应用于滚动轴承故障诊断。     

Support vector machine and optimised feature extraction in integrated eddy current instrument

Eddy current, especially pulsed eddy current (PEC), is known as an effective tool to detect defects in aircraft structures. Current PEC defect classification methods require highly trained personnel and the results are usually influenced by human subjectivity. Therefore, automated defect classification is desirable in a PEC instrument. In this work, five eddy current based methods are integrated into an instrument using a universal model and modular structure. Then, a Support Vector Machine (SVM) is used to build the classifier model and predict the type of defect. Principal component analysis (PCA) and independent component analysis (ICA) are investigated for feature extraction and compared for classification results using SVM. Two-layer Al–Mn alloy specimens with four kinds of defects are used for classification. The experimental results show that the proposed methods have great potential for in-situ defect inspection of multi-layer aircraft structures.     

Learning material defect patterns by separating mixtures of independent component analyzers from NDT sonic signals

This paper introduces the application of independent component analysis mixture modelling (ICAMM) in non-destructive testing (NDT). The application consists of discriminating patterns for material quality control from homogeneous and defective materials inspected by impact-echo testing. This problem is modelled as a mixture of independent component analysis (ICA) models, representing a class of defective or homogeneous material by an ICA model whose parameters are learned from the impact-echo signal spectrum. These parameters define a kind of particular signature for the different defects. The proposed procedure is intended to exploit to the maximum the information obtained with the cost efficiency of only a single impact. To illustrate this capability, four levels of classification detail (material condition, kind of defect, defect orientation, and defect dimension) are defined, with the lowest level of detail having up to 12 classes. The results from several 3D finite element models and lab specimens of an aluminium alloy that contain defects of different shapes and sizes in different locations are included. The performance of the classification by ICA mixtures is compared with linear discriminant analysis (LDA) and with multi-layer perceptron (MLP) classification. We demonstrate that the mass spectra from impact-echo testing fit ICAMM, and we also show the feasibility of ICAMM to contribute in NDT applications.     

强干扰下复杂系统的独立源识别方法

为了识别强干扰环境下复杂系统的独立源信号,利用主分量分析(PCA)的主投影方向辨识能力,以及独立分量分析(ICA)的冗余取消与盲源分离特性,提出一种基于复合PCA-ICA神经网络的独立源识别方法。ICA与 PCA的有机结合使两者优势得到充分发挥,隐藏于多通道传感观测中的独立源波形得以分离。借助基于快速傅里叶变换与最大相关分析准则的自适应分析校正,消除ICA估计源的盲不确定性,准确地估计源波形及其混合参数,从而实现独立源信号的识别。仿真试验结果证明该方法的有效性,也表明它在复杂系统源识别方面具有较大的应用潜力。     

基于独立分量分析的脑电信号消噪

脑电信号中往往含有各种形式的噪声干扰信号。这些干扰成分包括眼电、心电伪迹以及工频干扰等。由于干扰信号和脑电信号在频域上相互重叠,因此用时域或频域滤波的方法难以有效地消除脑电信号中的干扰成分。独立分量分析(Independent Component Analysis,ICA)是20世纪90年代发展起来的一种新的盲源分离方法(Blind Source Separation,BSS),将ICA方法应用于实测脑电信号的处理,获得非常理想的消噪效果。     

An evidence-based approach to damage location on an aircraft structure

This paper discusses the use of evidence-based classifiers for the identification of damage. In particular, a neural network approach to Dempster–Shafer theory is demonstrated on the damage location problem for an aircraft wing. The results are compared with a probabilistic classifier based on a multi-layer perceptron (MLP) neural network and shown to give similar results. The question of fusing classifiers is considered and it is shown that a combination of the Dempster–Shafer and MLP classifiers gives a significant improvement over the use of individual classifiers for the aircraft wing data.     

独立分量分析在机械振动信号上的应用研究

独立分量分析在机械振动信号的特征提取上能起到重要作用。首先建立以信息论为框架的独立性判据和优化算法,然后给出衡量独立分量分析分离性能的指标,这样建立的优化算法能很好地分离出混合信号。最后对两个亚高斯信号和一个超高斯信号的混合信号进行仿真实验。仿真结果表明,灵活的ICA算法分离效果要好于随机梯度算法的分离效果,该信号分析方法具有收敛性好,误差小的优点。     

FREQUENCY OVERLAPPED SIGNAL IDENTIFICATION USING BLIND SOURCE SEPARATION

The concepts, principles and usages of principal component analysis (PCA) and independent component analysis (ICA) are interpreted. Then the algorithm and methodology of ICA-based blind source separation (BSS), in which the pre-whitened based on PCA for observed signals is used, are researched. Aiming at the mixture signals, whose frequency components are overlapped by each other, a simulation of BSS to separate this type of mixture signals by using theory and approach of BSS has been done. The result shows that the BSS has some advantages what the traditional methodology of frequency analysis has not.     

温变工况下螺栓松动检测的独立成分分析方法

导波损伤检测技术的关键在于检测出结构损伤引起的导波信号变化,但环境温度变化也会影响导波传播过程,引起信号改变,导致损伤检测的失败。为了消除温度变化的影响,笔者采用独立成分分析(independent component analysis,简称ICA)方法处理导波响应信号。作为一种盲源分离的算法,ICA能够从混合信号中提取得到独立的未知源信号分量。因此利用ICA方法能将导波的响应源信号从被温度变化干扰的混合信号中分离出来,实现消除温度变化干扰的目的。为验证该方法的可行性,以螺栓连接铝板为对象进行实验,采集不同温度下螺栓全紧及松动状态的导波响应信号,将其经过ICA方法处理后应用到损伤定位算法中。结果表明,应用ICA处理后的导波信号能够成功定位松动螺栓,证实了ICA方法排除温度变化对导波传播影响的有效性。